Dify v1.4.0 以两周年品牌焕新为契机，带来多项核心功能升级：新增暗黑模式提升夜间使用体验，支持文本与图像多模态输出（如 Gemini 2.0 Flash Exp 模型）强化数据交互能力，引入问题编辑功能优化内容准确性；底层优化包括 Redis 客户端缓存提升性能、工作流节点故障处理机制增强稳定性，同时新增 Milvus Token 访问和 OpenSearch IAM 认证等多数据库支持，插件页面实现多语言覆盖等。以下是详细更新内容（老样子，为了尽量减少个人认知偏差影响，以下内容由大模型翻译而来）：

🚀 新功能与增强

功能特性

🌙 暗黑模式
我们推出了主题切换器，支持轻松在亮色和暗黑模式间切换，尤其适合深夜编码场景。点击头像即可体验！该功能有助于减轻眼睛疲劳，让你根据偏好自定义用户界面。感谢 @JzoNgKVO 在 PR #18093 中的贡献。

🖼️ 多模态大语言模型输出
平台现已支持多模态输出，允许大语言模型在 LLMNode 中同时处理文本和图像。这一功能提升了数据交互的丰富性，增强了模型能力，感谢 @QuantumGhost 在 PR #17372 中的努力。你现在可以使用 Gemini 2.0 Flash Exp 模型 体验这些新功能！该集成确保你的 AI 能够无缝处理和响应文本与视觉数据。

✏️ 可编辑问题
我们增加了对问题的更多控制，支持在问题生效前进行编辑。此更新确保你可以调整问题的清晰度和相关性，由 @HyaCiovo 在 PR #19117 中实现。

🔧 错误修复与改进

• • 增强的 Redis 管理：支持 Redis 客户端缓存（默认禁用），优化数据处理，提升系统整体性能。感谢 @bowenliang123 在 PR #19493 和 PR #19524 中的贡献。

• • 稳健的工作流管理：解决了工作流中多处不一致和错误，确保整体操作更流畅可靠。我们的工作流现在能够更优雅地处理节点故障，感谢 @Kevin9703 在 PR #18994 中的贡献。

📦 升级指南

Docker Compose 部署

# 备份自定义的 docker-compose YAML 文件（可选）  
cd docker  
cp docker-compose.yaml docker-compose.yaml.$(date +%s).bak  

# 从主分支获取最新代码  
git checkout main  
git pull origin main  

# 停止服务  
docker compose down  

# 备份数据  
tar -cvf volumes-$(date +%s).tgz volumes  

# 升级服务  
docker compose up -d  

源代码部署

# 停止 API 服务器、Worker 和 Web 前端服务器  
# 从发布分支获取最新代码  
git checkout 1.4.0  

# 更新 Python 依赖  
cd api  
uv sync  

# 运行迁移脚本  
uv run flask db upgrade  

# 重新启动服务  
# （启动命令根据项目配置执行）  

🛠️ 变更详情

以下是详细的变更记录（已翻译关键部分）：

• • 为 Celery 添加 MAX_TASK_PRE_CHILD 配置项，由 @JohnJyong 在 PR #18985 中贡献

• • 移除非结构化 API 密钥校验，由 @JohnJyong 在 PR #18989 中贡献

• • 重构：在包配置中切换为动态版本控制，由 @laipz8200 在 PR #19019 中贡献

• • 新增：在查找孤立文件前先清理 message_files 表，由 @kurokobo 在 PR #19035 中贡献

• • 修复：修复缺少环境变量的入口脚本问题，由 @fdb02983rhy 在 PR #19039 中贡献

• • 修复：修复宽屏场景下嵌入式聊天机器人的样式问题，由 @ModyQyW 在 PR #19030 中贡献

• • 优化：改进 FILES_URL 配置注释，由 @fdb02983rhy 在 PR #19040 中贡献

• • 测试（图引擎测试）：修改断言条件，由 @Nov1c444 在 PR #19041 中贡献

• • 修复（工作流循环管理）：修复工作流节点执行中失败节点未更新的问题，由 @Kevin9703 在 PR #18994 中贡献

• • 优化：改进 Docker Compose 架构图，由 @hjlarry 在 PR #19054 中贡献

• • 新增（API）：在生成结构化输出时使用 json_repair 修复无效 JSON，由 @ZombieBlue 在 PR #18977 中贡献

• • 修复（Web）：修复组件使用错误（#18995），由 @HyaCiovo 在 PR #19065 中贡献

• • 修复：修复重排序模型运行器的使用问题，由 @ModyQyW 在 PR #19008 中贡献

• • 新增：支持使用 Token 访问 Milvus，由 @realethanhsu 在 PR #19034 中贡献

• • 新增：为 OpenSearch 向量数据库添加 AWS Managed IAM 认证，由 @lan666as 在 PR #18963 中贡献

• • 修复：移除冗余的 Mermaid 图表方向强制设置，由 @haocheng6 在 PR #19024 中贡献

• • 修复：图片预览触发二进制下载的问题，由 @dimsky 在 PR #19070 中贡献

• • 修复：切换提供商时应同步更新内容，由 @crazywoola 在 PR #19075 中贡献

• • 修复：获取环境变量为空的问题，由 @linfey90 在 PR #19085 中贡献

• • 优化：通过.editorconfig 增强代码一致性，由 @QuantumGhost 在 PR #19023 中贡献

• • 修复：Safari 中工作区中文输入删除多余字符的问题（#18193），由 @kingsword09 在 PR #19088 中贡献

• • 修复（API）：解决因过度 URL 验证导致的外部知识 API 错误，由 @kenwoodjw 在 PR #19003 中贡献

• • 新增：为音视频文件添加 Accept-Ranges 响应头，由 @sondin 在 PR #19119 中贡献

• • 新增（日志与通知）：为问题编辑功能添加控制选项，由 @HyaCiovo 在 PR #19117 中贡献

• • 修复：修复导入 LexicalErrorBoundary 错误，由 @LeeeeeeM 在 PR #19124 中贡献

• • 修复：元数据过滤功能失效问题，由 @kingsant 在 PR #19020 中贡献

• • 修复：文本子节点为空时渲染 undefined 的问题，由 @LeeeeeeM 在 PR #19135 中贡献

• • 修复（国际化）：添加获取文档和定价页面语言的函数，由 @WTW0313 在 PR #19142 中贡献

• • 修复：_process_metadata_filter_func 中不一致的大小写表达式问题，由 @IthacaDream 在 PR #19146 中贡献

• • 新增：在变量赋值器中支持移除首个和最后一个元素，由 @laipz8200 在 PR #19144 中贡献

• • 优化：立即返回初始化的 tiktokenizer 实例并移除无效代码，由 @bowenliang123 在 PR #17957 中贡献

• • 测试（CI）：在代码检查中添加差异对比，由 @yihong0618 在 PR #17874 中贡献

• • 修复：鼠标滚轮缩放功能失效问题，由 @junjiem 在 PR #19160 中贡献

• • 新增（API）：为 LLMNode 添加图像多模态支持，由 @QuantumGhost 在 PR #17372 中贡献

• • 修复：文件下载时文件名错误问题，由 @hjlarry 在 PR #19183 中贡献

• • 修复：修复 API 工具集成测试问题，由 @haocheng6 在 PR #19187 中贡献

• • 新增：插件页面相关文档支持多语言，由 @ACAne0320 在 PR #19197 中贡献

• • 升级：将 Celery 从 5.4 升级到 5.5，由 @bowenliang123 在 PR #19190 中贡献

• • 修复：时间类型元数据过滤错误，由 @IthacaDream 在 PR #19192 中贡献

• • 修复：在元数据过滤系统提示中仅使用支持的操作符，由 @haocheng6 在 PR #19195 中贡献

• • 修复：基路径为空时 appURL 构建错误，由 @osaimi 在 PR #19234 中贡献

• • 优化：在 mypy 检查中强制要求 pip 依赖并提升性能，由 @bowenliang123 在 PR #19225 中贡献

• • 修复：支持工具文件文件名中的非 ASCII 字符，由 @bowenliang123 在 PR #19228 中贡献

• • 修复：未进行 Base64 编码时的基本认证问题，由 @kenwoodjw 在 PR #19242 中贡献

• • 优化：优化组件选择器的事件处理和渲染逻辑，由 @441126098 在 PR #19232 中贡献

• • 修复（API）：向 InnerAPIConfig 添加缺失的 INNER_API_KEY，由 @Yeuoly 在 PR #19166 中贡献

• • 修复：s.filter 不是函数的问题，由 @crazywoola 在 PR #19250 中贡献

• • 新增：在选择器中按最近顺序对变量进行横轴排序，由 @GeorgeCaoJ 在 PR #19243 中贡献

• • 修复：批量运行中的可选输入问题，由 @JzoNgKVO 在 PR #19257 中贡献

• • 优化：通过在 mypy 导入排除中添加 flask_restful 和 flask_login 避免重复类型忽略，由 @bowenliang123 在 PR #19224 中贡献

• • 修复：无输入表单时隐藏查看聊天设置按钮，由 @JzoNgKVO 在 PR #19263 中贡献

• • 修复（结构化输出）：推理模型的 JSON 格式解析问题，由 @Nov1c444 在 PR #19261 中贡献

• • 新增：为 /info API 添加模式参数，由 @LeeeeeeM 在 PR #19264 中贡献

• • 修复（Web）：为工作区选择器添加自动溢出处理，由 @Bonfireee 在 PR #19265 中贡献

• • 修复：文档工作流中的 bug（具体细节待补充）

 一、大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

二、如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

 

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

*   大模型 AI 能干什么？
*   大模型是怎样获得「智能」的？
*   用好 AI 的核心心法
*   大模型应用业务架构
*   大模型应用技术架构
*   代码示例：向 GPT-3.5 灌入新知识
*   提示工程的意义和核心思想
*   Prompt 典型构成
*   指令调优方法论
*   思维链和思维树
*   Prompt 攻击和防范
*   …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

*   为什么要做 RAG
*   搭建一个简单的 ChatPDF
*   检索的基础概念
*   什么是向量表示（Embeddings）
*   向量数据库与向量检索
*   基于向量检索的 RAG
*   搭建 RAG 系统的扩展知识
*   混合检索与 RAG-Fusion 简介
*   向量模型本地部署
*   …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

*   为什么要做 RAG
*   什么是模型
*   什么是模型训练
*   求解器 & 损失函数简介
*   小实验2：手写一个简单的神经网络并训练它
*   什么是训练/预训练/微调/轻量化微调
*   Transformer结构简介
*   轻量化微调
*   实验数据集的构建
*   …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

*   硬件选型
*   带你了解全球大模型
*   使用国产大模型服务
*   搭建 OpenAI 代理
*   热身：基于阿里云 PAI 部署 Stable Diffusion
*   在本地计算机运行大模型
*   大模型的私有化部署
*   基于 vLLM 部署大模型
*   案例：如何优雅地在阿里云私有部署开源大模型
*   部署一套开源 LLM 项目
*   内容安全
*   互联网信息服务算法备案
*   …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】